1.一种基于甲状腺超声图像的结节良恶性自动评分方法,其特征在于,包括以下步骤:获取甲状腺超声图像数据集并进行标注,构建训练数据集;
构建包含结节识别网络和结节分类网络的深度学习模型,利用训练数据集进行模型训练,得到训练好的深度学习模型作为自动评分模型;
将甲状腺超声图像输入自动评分模型,得到甲状腺结节识别结果并计算良恶性风险评分;
所述结节识别网络采用编码器-解码器架构,编码器对输入图像进行基础特征提取,采用动态注意力机制进行特征增强;解码器对编码器输出的增强特征进行逐步降维,最终输出甲状腺结节识别结果;所述结节分类网络采用Swin Transformer模型对甲状腺结节识别结果进行分级并计算良恶性风险评分;
所述采用动态注意力机制进行特征增强,包括以下步骤:采用通道注意力增强对基础特征中的重要特征通道的关注,得到通道增强特征;
采用空间注意力增强通道增强特征中的关键区域,得到增强特征;
所述采用通道注意力增强对基础特征中的重要特征通道的关注,得到通道增强特征,包括以下步骤:通过全局平均池化提取每个通道的重要性,表示为:其中,Fgap表示通道级特征的全局描述,H,和W,分别表示基础特征Fbase的高和宽,Fbase(i,j)表示基础特征Fbase中坐标为(i,j)的像素点;
通过全连接层计算通道注意力权重,表示为:
W=σ(W2·ReLU(W1·Fgap));
其中,W1·Fgap表示第一层全连接层对全局池化特征进行线性变换;ReLU表示激活函数;W2为第二层全连接层进一步提炼注意力信息;σ表示Sigmoid激活函数;W表示通道注意力权重矩阵;
通过通道加权计算通道增强特征,表示为:
Fatt=W·Fbase;
其中,Fatt表示通道增强特征;
所述解码器对编码器输出的增强特征进行逐步降维,最终输出甲状腺结节识别结果,包括以下步骤:通过两层3×3卷积逐步降低特征维度,表示为:Fdec1=ReLU(Conv3×3(Fenc));
Fdec2=ReLU(Conv3×3(Fdec1));
其中,Fdec1为第一层3×3卷积输出的特征图,Fdec2表示第二层3×3卷积输出的特征图;Conv3×3表示3×3卷积操作;ReLU表示激活函数;Fenc表示增强特征;
采用全局平均池化将空间特征转换为向量,表示为:其中,Fdec2(p,q)表示特征图Fdec2中坐标为(p,q)的像素点;
通过全连接层进行最终分类,表示为:
Y=Softmax(W·Fglobal+b);
其中,Y表示输出类别概率,b表示偏置项,W表示通道注意力权重矩阵。
2.根据权利要求1所述的基于甲状腺超声图像的结节良恶性自动评分方法,其特征在于,所述编码器对输入图像进行基础特征提取,表示为:Fbase=ShuffleNetV2(X);
其中,Fbase表示基础特征,X表示输入图像,ShuffleNetV2表示ShuffleNetV2的特征提取操作。
3.根据权利要求1所述的基于甲状腺超声图像的结节良恶性自动评分方法,其特征在于,所述采用空间注意力增强通道增强特征中的关键区域,得到增强特征,包括以下步骤:使用最大池化和平均池化获取特征图的全局信息,表示为:Fmax=MaxPool(Fatt),Favg=AvgPool(Fatt);
其中,Fmax为最大池化结果,MaxPool表示最大池化,Favg为平均池化结果,AvgPool表示平均池化;
使用卷积计算空间注意力权重,表示为:
A=σ(Conv3×3([Fmax,Favg]));
其中,A表示空间注意力权重,Conv3×3表示3×3卷积操作;σ表示Sigmoid激活函数;
通过空间加权计算增强特征,表示为:
Fenc=A·Fatt;
其中,Fenc表示增强特征。
4.根据权利要求1所述的基于甲状腺超声图像的结节良恶性自动评分方法,其特征在于,所述结节分类网络采用Swin Transformer模型对甲状腺结节识别结果进行分级并计算良恶性风险评分,包括以下步骤:从结节识别网络输出的甲状腺结节识别结果中裁剪出结节区域,输入SwinTransformer模型;
Swin Transformer模型采用局部窗口注意力机制对结节区域进行特征提取,并通过滑动窗口策略捕捉不同尺度的图像信息,得到包括形态、边缘、结构、回声和强回声灶的关键特征;
采用C-TIRADS评分体系对关键特征进行评分并进行求和,得到最终的良恶性风险评分结果。
5.一种基于甲状腺超声图像的结节良恶性自动评分系统,其特征在于,包括:数据集获取模块,获取甲状腺超声图像数据集并进行标注,构建训练数据集;
模型训练模块,构建包含结节识别网络和结节分类网络的深度学习模型,利用训练数据集进行模型训练,得到训练好的深度学习模型作为自动评分模型;
风险评分模块,将甲状腺超声图像输入自动评分模型,得到甲状腺结节识别结果并计算良恶性风险评分;
所述结节识别网络采用编码器-解码器架构,编码器对输入图像进行基础特征提取,采用动态注意力机制进行特征增强;解码器对编码器输出的增强特征进行逐步降维,最终输出甲状腺结节识别结果;所述结节分类网络采用Swin Transformer模型对甲状腺结节识别结果进行分级并计算良恶性风险评分;
所述采用动态注意力机制进行特征增强,包括以下步骤:采用通道注意力增强对基础特征中的重要特征通道的关注,得到通道增强特征;
采用空间注意力增强通道增强特征中的关键区域,得到增强特征;
所述采用通道注意力增强对基础特征中的重要特征通道的关注,得到通道增强特征,包括以下步骤:通过全局平均池化提取每个通道的重要性,表示为:其中,Fgap表示通道级特征的全局描述,H’和W’分别表示基础特征Fbase的高和宽,Fbase(i,j)表示基础特征Fbase中坐标为(i,j)的像素点;
通过全连接层计算通道注意力权重,表示为:
W=σ(W2·ReLU(W1·Fgap));
其中,W1·Fgap表示第一层全连接层对全局池化特征进行线性变换;ReLU表示激活函数;W2为第二层全连接层进一步提炼注意力信息;σ表示Sigmoid激活函数;W表示通道注意力权重矩阵;
通过通道加权计算通道增强特征,表示为:
Fatt=W·Fbase;
其中,Fatt表示通道增强特征;
所述解码器对编码器输出的增强特征进行逐步降维,最终输出甲状腺结节识别结果,包括以下步骤:通过两层3×3卷积逐步降低特征维度,表示为:Fdec1=ReLU(Conv3×3(Fenc));
Fdec2=ReLU(Conv3×3(Fdec1));
其中,Fdec1为第一层3×3卷积输出的特征图,Fdec2表示第二层3×3卷积输出的特征图;Conv3×3表示3×3卷积操作;ReLU表示激活函数;Fenc表示增强特征;
采用全局平均池化将空间特征转换为向量,表示为:其中,Fdec2(p,q)表示特征图Fdec2中坐标为(p,q)的像素点;
通过全连接层进行最终分类,表示为:
Y=Softmax(W·Fglobal+b);
其中,Y表示输出类别概率,b表示偏置项,W表示通道注意力权重矩阵。